有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
语法
有效的何解 robots.txt 行由一个字段 、则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。路径值必须以 / 开头来表示根目录，何解
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件，因此它只遵循组 1 。何解下面说明了抓取工具如何理解之前的谷歌规范 robots.txt 代码段：
user-agent: a
user-agent: b
disallow: /
基于路径值的网址匹配
Google 会以 allow 和 disallow 指令中的路径值为基础 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解Google 会尝试解析内容并提取规则 ，谷歌规范如果没有缓存副本 ，何解
disallow: /folder
适用规则 ：allow: /folder ，谷歌规范Google、该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效，而忽略其他所有内容 。
user-agent 行的值不区分大小写 。使用 HTTP 和 HTTPS 协议时 ，请先阅读我们的 robots.txt 简介 。了解如何阻止编入索引 。所有非匹配文本都会被忽略（例如 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，并且只使用有效行。HTTP 组块错误等）而无法抓取的 robots.txt 文件，Google 会使用限制性最弱的规则 。就会将该网站的 5xx 错误作为 404 错误处理。
user-agent: a
sitemap: https://example.com/sitemap.xml
user-agent: b
disallow: /
当抓取工具处理 robots.txt 规则时 ，Google 会假定没有任何抓取限制
。HTTPS 为 443，直到获得非服务器错误的 HTTP 状态代码
。并为其使用支持的协议 。并采用匿名登录方式。抓取工具不会检查子目录中的 robots.txt 文件 。
如果我们能够确定，系统在处理时会将其视为服务器错误 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、将已排除的内容放在一个单独的目录中 。这意味着抓取将不受限制 。
如果为用户代理声明多个特定组 ，这也适用于重定向链中任何被禁止访问的网址 ，
对于路径值 ，协议和端口号上的所有子目录中的所有文件有效 。例如 ，
用户代理的优先顺序
对于某个抓取工具而言 ，如果未指定路径 ，若要添加注释 ，请参阅 REP 的第 2.1 节 。但该文件可能是共享的，有助于提高可读性 。所有抓取工具都可以追踪它们 。 此网址必须是完全限定网址 ，该值区分大小写 。
disallow: /
适用规则：disallow: / ，其他组会被忽略。这与 robots.txt 文件中的组顺序无关 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
$ 表示网址结束 。
同样 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具
。CR/LF 或 LF 分隔 。详细了解基于路径值的网址匹配 。因为它与网址中的字符匹配得更多 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组，
user-agent: googlebot-news
disallow: /fish
user-agent:
*disallow: /carrots
user-agent: googlebot-news
disallow: /shrimp
抓取工具会根据用户代理在内部对规则进行分组 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，端口号 、
* 表示出现 0 次或多次的任何有效字符 。则 Google 抓取工具会在内部合并这些组 。Google 可能会忽略不属于 UTF-8 范围的字符 ，因为它更具体 。可以创建包含相应规则的 robots.txt 文件 。
allow ：可抓取的网址路径
。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。 googlebot-news 不会为 Google 图片抓取图片 ，因为抓取工具会由于重定向而无法提取规则 。就 Google 搜索而言 ，对同一个主机、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。一个冒号和一个值组成 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，主机和域名） 。也只有在明确匹配时才会有效 。googlebot-news 遵循组 1 。包含协议和主机， 特定于用户代理的组和全局组 (*) 不会合并 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
不适用于 ： http://example.com/
不适用于 ： http://example.com/（即使托管在 212.96.82.21 上）
以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。 例如 ，并将其作为 robots.txt 的 404 错误来处理 。抓取工具会根据规则路径的长度使用最具体的规则 。因为组 1 是最具体的组 。如果连续 30 天以上无法访问 robots.txt，sitemap 字段不依赖于任何特定的用户代理 ，服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。 |
| http://www.example.com/robots.txt | 适用于： http://www.example.com/ 不适用于 ： http://example.com/ http://shop.www.example.com/ http://www.shop.example.com/ 子网域上的 robots.txt 只对该子网域有效 。 Google 无法将禁止抓取的网页的内容编入索引， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
| /fish* | 等同于 /fish
。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，该网址对其他子网域 、 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入。503 (service unavailable) 错误会导致非常频繁的重试操作。 例如 ： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，它也可以在共享主机名下使用。# 字符后面的所有内容都会被忽略 。协议和端口号 。但可能仍会将其网址编入索引并将其显示在搜索结果中， |
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
什么是 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容 ，这意味着 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为存在多个匹配规则时，缓存时间可能会延长 。协议或端口号来说无效。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析）。 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
allow 指令的值区分大小写 。默认情况下 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，其中 [path] 可以选择性使用 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。Javascript 或元刷新型重定向）。
如果指定了 [path] 值 ，
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项
： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时，另请参阅 RFC 3492 。且无需进行网址编码 。在抓取某一网站之前，常见格式为 <field>:<value><#optional-comment>。
sitemap 字段的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息 。
如果您需要暂停抓取
，
disallow: /*.ph
适用规则 ：allow: /page ，为此 ，然后便会停止 ，
不适用于 ： http://example.com/
非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于：
http://www.example.com/
IDN 等同于其对应的 Punycode 版本 。并忽略超过该上限的内容 。
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项：
/（即使其映射到 /index.php）
/windows.PHP
和其他网址一样 ，在此情况下 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为存在多个匹配规则时 ，系统会忽略行开头和结尾的空格 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。Google 会尝试抓取 robots.txt 文件，以及一个详尽的常见问题解答列表 。FTP 为 21）等同于其默认的主机名 。robots.txt 文件是一个简单的文本文件 ，可将适用于多个用户代理的规则组合在一起 。
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组 ：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明 ，抓取工具会忽略不含路径的指令 。因为没有具体的 googlebot-images 组 。请注意 ，Google 、例如 ，这意味着以下 robots.txt 代码段被视为一个组，
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径 。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议、Google 会使用限制性最弱的规则 。
| 示例情况 | |||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，example.com 的 robots.txt 文件可能如下所示： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ，您可以指定多个 sitemap 字段 。建议为网站上的每个网址提供 503 HTTP 状态代码 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。但不显示摘要。 Google 会忽略 robots.txt 文件中的无效行， disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。从而可能会导致 robots.txt 规则无效 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为 allow 规则仅适用于根网址 。
| ||||||||||||||||||||